Gemini 3.8 Live : des agents vocaux en direct, facturés à la minute
Google met Gemini 3.8 Live et 3.8 Live Extended Thinking à disposition dans l’API Gemini : dialogue audio-à-audio, outils en arrière-plan, tarifs à la minute. Faits datés, prix annoncés et lecture PME.
Dans cet article
Le 15 septembre 2026, Google a mis en ligne Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking, deux modèles conçus pour tenir une conversation vocale en temps réel et déclencher du travail pendant qu’on parle. Les deux sont annoncés comme disponibles le jour même dans l’API Gemini et Google AI Studio. Six jours après la disponibilité générale de GPT-Live-1 chez OpenAI, la voix temps réel devient un sujet concret pour les applications d’entreprise. Voici les faits datés, la facture annoncée et les usages raisonnables pour une PME romande.
Ce qui est annoncé, et ce qui est disponible
Dans l’annonce du 15 septembre 2026, signée Tom Ouyang et Malini Jaganathan de l’équipe Gemini Audio, Google présente deux modèles distincts :
- Gemini 3.8 Live (
gemini-3.8-live) : le modèle par défaut pour les agents vocaux à faible latence, avec raisonnement entrelacé et appel de fonctions asynchrone par défaut. - Gemini 3.8 Live Extended Thinking (
gemini-3.8-live-extended-thinking) : la variante qui raisonne en arrière-plan pendant la conversation, pour les tâches qui demandent plus de réflexion.
Le changelog de l’API Gemini date la disponibilité générale des deux modèles au 15 septembre, dans la Live API. À la date de vérification de cet article (17 septembre), la situation est la suivante : côté développeurs, les deux modèles sont accessibles dans l’API et essayables dans Google AI Studio ; côté entreprises, Gemini Enterprise est en préversion privée, avec Workspace annoncé pour la suite ; côté grand public, 3.8 Live arrive dans Search Live, et Extended Thinking dans Gemini Live ainsi que dans les espaces Workspace des abonnés Google AI Pro et Ultra. La disponibilité n’est donc pas uniforme : l’API est ouverte, le reste se déploie par étapes.
Ce que les modèles savent faire
Les capacités mises en avant dans l’annonce, à prendre comme des affirmations de l’éditeur :
- 97 langues prises en charge, avec détection et bascule automatique en cours de conversation ;
- appel d’outils et d’API en arrière-plan : le modèle continue de parler pendant que la tâche s’exécute ;
- traitement d’entrées visuelles en quasi temps réel, pour montrer un document ou un écran pendant qu’on en discute ;
- pour Extended Thinking, raisonnement et parole simultanés, avec des amorces verbales (« Laissez-moi vérifier… ») et une narration de progression pendant les tâches longues.
Google appuie sa sortie sur des mesures tierces : première place à l’indice Speech-to-Speech d’Artificial Analysis (82,6) pour Extended Thinking, 68,6 % sur τ-Voice et 35,1 % sur le benchmark bancaire de Sierra, 97,7 % sur Big Bench Audio, et une deuxième place au Speech Agent Arena pour 3.8 Live. Ces scores viennent de l’annonce, qui les attribue à ces sources ; les reproduire dans votre contexte reste un autre exercice. Dernier point de transparence : tous les audios générés par les produits IA de Google sont marqués avec SynthID, un filigrane inaudible conçu pour rester détectable.
La facture, à la minute
La page de tarifs, consultée le 17 septembre 2026, affiche pour le palier payant :
| Usage | Tarif |
|---|---|
| Entrée audio | 0,005 $ par minute (ou 3 $ le million de tokens) |
| Sortie audio, tokens de réflexion inclus | 0,018 $ par minute (ou 12 $ le million de tokens) |
| Entrée / sortie texte | 0,75 $ / 4,50 $ par million de tokens |
| Grounding avec Google Search | 5 000 requêtes gratuites par mois, puis 14 $ les 1 000 |
Un exemple indicatif, pas un devis : un agent qui tient 10 minutes de conversation par jour, moitié parole entrante, moitié sortante, consomme environ 0,23 $ par jour, soit près de 7 $ par mois à 30 jours. Pour comparer, GPT-Live-1 facture ses sessions vocales 0,05 $ par minute, à la seconde (notre article du 12 septembre). Les deux logiques de facturation ne se superposent pas exactement : tokens audio entrants et sortants d’un côté, session à la seconde de l’autre. Le profil d’usage, qui parle le plus, change le classement. Les prix bougent vite : vérifiez les deux pages de tarifs avant de chiffrer un projet.
Un détail qui compte pour la protection des données : sur le palier gratuit, les données servent à améliorer les produits Google ; sur le palier payant, non, d’après la même page de tarifs.
Ce que cela change pour une PME romande
La nouveauté n’est pas la voix elle-même, c’est la combinaison : parler, faire agir des outils en arrière-plan et raisonner sans couper la conversation. Des cas comme ceux-là deviennent envisageables sans construire toute la plomberie audio (des exemples, pas des promesses) :
- Une ligne de prise de rendez-vous qui répond, vérifie les créneaux dans l’agenda métier et confirme, pendant que l’appelant pose ses questions.
- Un premier niveau de support qui traite les demandes répétitives et transfère les cas délicats à une personne.
- La dictée structurée : on parle, le modèle remplit un document et pose les questions qui manquent.
Trois points à trancher avant de se lancer. Le volume réel de minutes, qui déterminera la facture : mesurez-le, ne le supposez pas. L’intégration : la Live API fonctionne en streaming bidirectionnel, et des plateformes comme LiveKit ou Pipecat gèrent la partie streaming, comme le rappelle l’annonce. La sortie de secours vers un humain, à prévoir dès le départ quand l’agent ne comprend pas. Le reste du calcul économique ne change pas (combien coûte un agent IA) : le prix à la minute n’est qu’une ligne, l’intégration et la supervision en sont d’autres.
Les mots techniques, en clair
Audio-à-audio : le modèle écoute et répond directement en audio, sans chaîne séparée de transcription puis de synthèse. Moins d’étapes, moins de latence.
Live API : l’interface de l’API Gemini pour les sessions vocales bidirectionnelles en continu : le modèle écoute, répond, peut être interrompu.
Extended Thinking : le raisonnement se déroule en arrière-plan pendant que la conversation continue, au lieu de bloquer la réponse.
SynthID : un filigrane inaudible intégré à l’audio généré, qui permet d’identifier une production de Google AI.
Questions fréquentes
Peut-on essayer Gemini 3.8 Live gratuitement ? Oui : un palier gratuit existe dans Google AI Studio et via l’API. Contrepartie annoncée sur la page de tarifs : sur ce palier, les données servent à améliorer les produits Google ; le palier payant ne les utilise pas à cette fin.
Combien coûte une heure de conversation ? En appliquant les tarifs du 17 septembre 2026, 0,005 $ la minute d’entrée audio et 0,018 $ la minute de sortie, une heure de dialogue complet revient à environ 1,40 $, hors appel d’outils et de recherche. C’est un calcul indicatif à partir des tarifs publiés, pas un devis.
Est-ce que cela fonctionne en français ? L’annonce cite 97 langues avec bascule automatique en cours de conversation. La qualité réelle avec un accent romand, des noms d’entreprises ou du vocabulaire métier se vérifie dans un essai, pas sur une fiche produit.
En résumé
Six jours après GPT-Live-1 chez OpenAI, Google répond avec deux modèles vocaux annoncés en disponibilité générale, des tarifs affichés à la minute et une intégration directe dans l’API Gemini. Pour une PME, le bon premier pas reste un pilote borné : un cas d’usage répétitif, un volume de minutes mesuré, une escalade vers un humain prévue dès le départ.
